线性特征抽取研及其在人脸识别中的应用.pdf

博仁论文 线性特衙抽取研究及其在人脸识别中的应用 摘 要 人脸识别技术是生物特征识别领域中的一个研究热点，其主要任务是根据人脸图 像中的有效信息进行个体的身份识别。本文以代数统计为研究工具，在流形学习和子 空间学习的基础上，提出了新的线性特征抽取方法，并将其应用于人脸识别，将其与 现阶段的主流方法进行了比较，验证了本文方法的有效性。本文的主要工作和创新之 处如下： 1．深入研究二维主成分分析中的相关性问题，提出最小化相关性的二维主成分 分析算法。 二维主成分分析是一种直接利用图像矩阵构造散布矩阵的方法，在2003年后得 到广泛应用及推广，一批基于“二维的新方法应运而生。本文指出在二维主成分分 析中，特征向量的分量之间是相关的，并给出此相关性的数学表达，进一步提出了最 小化相关性的二维主成分分析。该方法改进了二维主成分分析的目标函数，在最大化 特征向量间总体散度的同时，最小化特征向量各分量间的相关性。 2．基于张量脸模型的方法是为了解决在各种外在因素(光照、角度、表情等) 影响下的人脸识别问题，但是其目标函数的解决较复杂，且存在多个未知参数。于是， 我们提出用矩阵分解来解决张量脸模型。 新方法的优点有三：一是我们的方法只含较少的未知参数，参数的可选择范围也 更大，而且实验表明通过矩阵分解得到的闭式解更加稳定和有效；二是在样本训练阶 段，我们的方法计算复杂度小于其他的张量脸方法；三是我们的方法扩展了张量脸模 型的应用范围，如将其应用于图像重构。 3．用非负矩阵分解的算法解决有关二维数据特征抽取的问题。 二维主成分分析是一种基于整体脸的方法，保留了人脸部件之间的拓扑关系；而 非负矩阵分解是基于局部特征的识别方法，通过提取局部信息来实现分类。将两种算 法的优点融合在一起，提出非负二维主成分分析。因此，该方法解决了传统非负矩阵 分解未加强分类的问题。此外，该方法在矩阵分解之前不需要将图像矩阵转换为图像 向量，从而保留了数据本身的图像结构。 4．同时考虑数据分布的局部性和非局部性，提出无监督的差分鉴别特征提取方 法。 局部保持投影只考虑了投影后的局部性，而忽视了非局部性。针对这个问题，我 摘要 博t论文 们的方法引入非局部散布矩阵，提出无监督的差分鉴别特征提取方法，通过最大化非 局部和局部之间的散度差来寻找最优变换矩阵，并成功应用于人脸识别。该方法同时 引入非局部和局部的信息，揭示隐含在高维图像空间中的非线性结构；采用差分的形 式求解最优变换矩阵，避免“小样本问题；对LPP中的邻接矩阵进行了修正，更 准确地描述样本之间的邻近关系。 5．考虑了数据分布的潜在流形结构，采用新的图像距离度量方法以及新的鉴别 特征抽取思想，提出基于中心距离的鉴别特征抽取方法。 该方法是一种有监督的线性特征抽取方法，它首先计算样本之间的中心距离，并 以此距离作为依据寻找类内和类问共计K个近邻；然后，该方法寻找线性投影轴， 使得降维后的同类近邻间的距离尽可能地近，而类间近邻间的距离尽可能地远。 关键词：特征提取，人脸识别，线性特征抽取， 最小化相关性，差分鉴别，非负 矩阵分解，张量脸模型，中心距离 II 博E论文 垡丝塑堑垫坠堕茎垒鉴鱼叁堕望型±塑壁星一 —-——-—__—-—____-_l___————_-_-_●_●-——_————_——-●_●__●_--———_——————————————一———— Abstract fieldofbiometrics．Theaimofface Face isahotbranchinthe technique recognition tothe informationin individualidentitie